OFDM 端到端学习：从神经接收机到无导频通信
信息论
2021-07-30 v3 机器学习
信号处理
math.IT
摘要
先前的研究已表明，端到端学习在加性白高斯噪声（AWGN）信道上能带来显著的整形增益。然而，其在真实无线信道模型上的收益尚未被量化。本工作旨在通过利用正交频分复用（OFDM）在频率和时间选择性衰落信道上探索端到端学习的增益，以填补这一空白。在接收机信道知识不完美的情况下，AWGN 信道上观察到的整形增益消失。尽管如此，我们确定了另外两种性能提升来源。第一种来自基于神经网络（NN）的接收机，其工作于大量子载波和 OFDM 符号上，可在不损失误码率（BER）的情况下显著减少正交导频的数量。第二种是通过联合学习神经接收机与叠加导频（SIP，与传统正交振幅调制（QAM）线性组合）或优化星座几何，完全消除正交导频。所学习的几何结构适用于广泛的信噪比（SNR）、多普勒和时延扩展，具有零均值，因此不包含任何形式的叠加导频。两种方案均实现了与基于导频的基线相同的 BER，且吞吐量高出约 7%。因此，我们认为联合学习的发射机与接收机是 Beyond-5G 通信系统中非常有趣的组件，可消除对解调参考信号（DMRS）的需求及相关控制开销。
引用
@article{arxiv.2009.05261,
title = {End-to-end Learning for OFDM: From Neural Receivers to Pilotless Communication},
author = {Fayçal Ait Aoudia and Jakob Hoydis},
journal= {arXiv preprint arXiv:2009.05261},
year = {2021}
}